Home Notizie recenti I ricercatori utilizzano le GPU per valutare la connettività del cervello umano

I ricercatori utilizzano le GPU per valutare la connettività del cervello umano

29
0

L’immagine mostra il fascicolo longitudinale superiore (SLF), un tratto di sostanza bianca che collega la corteccia prefrontale e parietale, due regioni cerebrali legate all’attenzione. Il tratto è stato stimato con risonanza magnetica a diffusione e trattografia nel cervello umano vivente. Credito: Varsha Sreenivasan e Devarajan Sridharan

Un nuovo algoritmo di apprendimento automatico basato su GPU sviluppato dai ricercatori dell’Indian Institute of Science (IISc) può aiutare gli scienziati a comprendere e prevedere meglio la connettività tra diverse regioni del cervello.

L’algoritmo, chiamato Regularized, Accelerated, Linear Fascicle Evaluation o ReAl-LiFE, può analizzare rapidamente l’enorme quantità di dati generati dalle scansioni di risonanza magnetica (dMRI) del cervello umano a diffusione. Utilizzando ReAL-LiFE, il team è stato in grado di valutare i dati dMRI oltre 150 volte più velocemente rispetto agli algoritmi all’avanguardia esistenti.

“Le attività che in precedenza richiedevano ore o giorni possono essere completate in pochi secondi o minuti”, afferma Devarajan Sridharan, professore associato presso il Center for Neuroscience (CNS), IISc, e corrispondente autore dello studio pubblicato sulla rivista Scienze computazionali della natura.

Milioni di neuroni si attivano nel cervello ogni secondo, generando impulsi elettrici che viaggiano attraverso le reti neuronali da un punto all’altro del cervello attraverso cavi di collegamento o “assoni”. Queste connessioni sono essenziali per i calcoli eseguiti dal cervello. “Capire la connettività cerebrale è fondamentale per scoprire le relazioni cervello-comportamento su larga scala”, afferma Varsha Sreenivasan, studentessa di dottorato presso il CNS e primo autore dello studio. Tuttavia, gli approcci convenzionali per studiare la connettività cerebrale utilizzano in genere modelli animali e sono invasivi. D’altra parte, le scansioni dMRI forniscono un metodo non invasivo per studiare la connettività cerebrale negli esseri umani.

I cavi (assoni) che collegano diverse aree del cervello sono le sue autostrade dell’informazione. Poiché i fasci di assoni hanno la forma di tubi, le molecole d’acqua si muovono attraverso di essi, lungo la loro lunghezza, in modo diretto. La dMRI consente agli scienziati di tracciare questo movimento per creare una mappa completa della rete di fibre attraverso il cervello, chiamata connettoma.

Usare le GPU per scoprire la connettività del cervello umano

L’immagine mostra le connessioni tra il mesencefalo e varie regioni della neocorteccia. Le connessioni a ciascuna regione sono mostrate con un colore diverso e sono state tutte stimate con risonanza magnetica a diffusione e trattografia nel cervello umano vivente. Credito: Varsha Sreenivasan e Devarajan Sridharan

Sfortunatamente, non è semplice individuare questi connettomi. I dati ottenuti dalle scansioni forniscono solo il flusso netto di molecole d’acqua in ogni punto del cervello. “Immagina che le molecole d’acqua siano automobili. Le informazioni ottenute sono la direzione e la velocità dei veicoli in ogni punto nello spazio e nel tempo senza informazioni sulle strade. Il nostro compito è simile a dedurre le reti stradali osservando questi schemi di traffico, “spiega Sridharan.

Per identificare accuratamente queste reti, gli algoritmi convenzionali corrispondono strettamente al segnale dMRI previsto dal connettoma dedotto con il segnale dMRI osservato. Gli scienziati avevano precedentemente sviluppato un algoritmo chiamato LiFE (Linear Fascicle Evaluation) per eseguire questa ottimizzazione, ma una delle sue sfide era che funzionava su unità di elaborazione centrali (CPU) tradizionali, il che rendeva il calcolo dispendioso in termini di tempo.

Nel nuovo studio, il team di Sridharan ha ottimizzato il proprio algoritmo per ridurre lo sforzo computazionale coinvolto in diversi modi, inclusa la rimozione delle connessioni ridondanti, migliorando così significativamente le prestazioni di LiFE. Per velocizzare ulteriormente l’algoritmo, il team lo ha anche riprogettato per funzionare su chip elettronici specializzati, del tipo che si trova nei computer da gioco di fascia alta, chiamati Graphics Processing Units (GPU), che li hanno aiutati ad analizzare i dati a velocità 100-150 volte più veloci di approcci precedenti.

Questo algoritmo migliorato, ReAl-LiFE, è stato anche in grado di prevedere come un soggetto di test umano si sarebbe comportato o avrebbe svolto un compito specifico. In altre parole, utilizzando i punti di forza della connessione stimati dall’algoritmo per ciascun individuo, il team è stato in grado di spiegare le variazioni nei punteggi dei test comportamentali e cognitivi in ​​un gruppo di 200 partecipanti.

Tale analisi può avere anche applicazioni mediche. “L’elaborazione dei dati su larga scala sta diventando sempre più necessaria per le applicazioni della neuroscienza dei big data, in particolare per comprendere la funzione cerebrale sana e la patologia cerebrale”, afferma Sreenivasan.

Ad esempio, utilizzando i connettomi ottenuti, il team spera di essere in grado di identificare i primi segni di invecchiamento o deterioramento della funzione cerebrale prima che si manifestino comportamentalmente nei pazienti di Alzheimer. “In un altro studio, abbiamo scoperto che una versione precedente di ReAL-LiFE potrebbe fare meglio di altri algoritmi concorrenti per distinguere i pazienti con malattia di Alzheimer dai controlli sani”, afferma Sridharan. Aggiunge che la loro implementazione basata su GPU è molto generale e può essere utilizzata per affrontare problemi di ottimizzazione anche in molti altri campi.


Articolo precedenteIl nuovo approccio riduce del 75% i tempi di test della batteria dei veicoli elettrici
Articolo successivoEmirati Arabi Uniti, l’Arabia Saudita riesce a malapena ad aumentare la produzione di petrolio, ha detto Macron a Biden al vertice del G7